ฟีเจอร์ recency

การตรวจจับการฉ้อโกงใน R

Tim Verdonck

Professor Data Science at KU Leuven

วิธีการยืนยันตัวตน vs เวลา

recency_part1

ช่วงเวลาห่างกันมาก

recency_part2

ช่วงเวลาห่างกันน้อย

recency_part3

Recency เป็นศูนย์

recency_part4

พฤติกรรมผิดปกติ

recency_part5

นิยาม

$recency=exp(-\gamma\cdot t)=e^{-\gamma t}$
- $t$ = ช่วงเวลาระหว่างสองเหตุการณ์ที่ต่อเนื่องกันในประเภทเดียวกัน
- $\gamma$ = พารามิเตอร์ปรับค่า มักใกล้เคียง 0 (เช่น 0.01, 0.02, 0.05)
- $0 \leq recency \leq 1$

Recency vs เวลา

recency_vs_time

จะเลือกพารามิเตอร์ $\gamma$ อย่างไร?

(1) กำหนดค่า recency ที่ต้องการเมื่อมีเวลาผ่านไป ($t$) หนึ่งช่วง (เช่น 0.01)
(2) คำนวณ $\gamma=-log(recency)/t$
ตัวอย่าง: กำหนด $\gamma$ ให้ recency = 0.01 เมื่อ $t$ = 180 วัน
```
gamma <- -log(0.01)/180
print(gamma)
```

0.02558428

ฟีเจอร์ recency ใน R (ขั้นตอนที่ 1)

recency_fun <- function(t, gamma, auth_cd, freq_auth) {

  n_t <- length(t)

  if (freq_auth[n_t] == 0) {
    recency <- 0 # recency = 0 when frequency = 0

  } else {
    time_diff <- t[1] - max(t[2:n_t][auth_cd[(n_t-1):1] == auth_cd[n_t]])
    # time-interval = current time - time of previous transfer with same auth_cd

    recency <- exp(-gamma * time_diff)
  }
  return(recency)

}

ฟีเจอร์ recency ใน R (ขั้นตอนที่ 2)

(1) กำหนดค่า $\gamma$

gamma <- -log(0.01)/180 # = 0.0256

(2) ใช้ rollapply(), group_by() และ mutate()

library(dplyr) # needed for group_by() and mutate()
library(zoo) # needed for rollapply()
trans <- trans %>% group_by(account_name) %>%
    mutate(rec_auth = rollapply(timestamp,
                               width = list(0:-length(transfer_id)),
                               partial = TRUE,
                               FUN = recency_fun,
                               gamma, authentication_cd, freq_auth))

   account_name timestamp authentication_cd rec_auth fraud_flag
1           Bob     44.25              AU02    0.000          0
2         Alice     54.12              AU03    0.000          0
3           Bob     57.45              AU04    0.000          0
4           Bob     64.29              AU02    0.599          0
5         Alice     64.29              AU03    0.771          0
6           Bob     64.29              AU02    1.000          0
7         Alice     70.25              AU03    0.859          0
8           Bob     70.25              AU02    0.859          0
9         Alice     74.08              AU01    0.000          0
...         ...       ...               ...      ...        ...
37          Bob    407.17              AU02    0.002          0
38        Alice    420.17              AU03    0.717          0
39          Bob    441.34              AU03    0.000          1
40        Alice    443.24              AU04    0.000          1

ฟีเจอร์ที่อิงตามเวลา ความถี่ และ recency

features1

มาฝึกกันเถอะ!

การตรวจจับการฉ้อโกงใน R